一种基于ICA与SVM集成学习的故障检测方法技术

本发明专利技术公开了一种基于ICA与SVM集成学习的故障检测方法，其采用贝叶斯推理对具有特征提取能力的ICA模型和具有分类能力的SVM模型进行集成，利用不同模型所具有的不同优势，从而提升检测准确率，并且使得检测效果更稳定。

【技术实现步骤摘要】
一种基于ICA与SVM集成学习的故障检测方法
本专利技术涉及工业过程中的故障检测领域，具体涉及一种基于ICA与SVM集成学习的故障检测方法。
技术介绍
现代工业生产已越来越规模化、复杂化，若生产过程出现故障，不仅影响产品质量，更容易对人的生命安全造成威胁。因此常常采用故障检测技术来监控工业生产状况。现有技术中通过设置测量设备来获取工业生产系统的工作数据来进行工业过程中的故障检测，但是测量设备只能获取工业生产系统的工作数据并不能直接得出是否出现故障的结论，因此如何根据测量设备获取的数据进行故障检测，以及提高故障检测的准确性成为本领域的研究重点。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于ICA与SVM集成学习的故障检测方法可以通过测量设备获取的数据准确且快速地进行故障检测。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于ICA与SVM集成学习的故障检测方法，其包括以下步骤：S1、获取目标工业生产系统不同工况下测量设备对目标工业生产系统的测量数据，并本文档来自技高网...

【技术保护点】
1.一种基于ICA与SVM集成学习的故障检测方法，其特征在于，包括以下步骤：/nS1、获取目标工业生产系统不同工况下测量设备对目标工业生产系统的测量数据，并将同一工况下不同时刻的测量数据列入一个矩阵，将每个矩阵作为一个初始样本集合；/nS2、对正常工况下的初始样本集合进行标准化，得到标准化后的正常工况下样本集合；/nS3、基于标准化后的正常工况下样本集合构建ICA模型；/nS4、获取所要构建SVM模型的数量，对于每个SVM模型，从每个初始样本集合中随机抽取样本组成每种工况的样本子集，并对每个样本子集进行标准化，得到与每个SVM模型相对应的训练子集；/nS5、基于每个训练子集构建对应的SVM模型...

【技术特征摘要】
1.一种基于ICA与SVM集成学习的故障检测方法，其特征在于，包括以下步骤：
S1、获取目标工业生产系统不同工况下测量设备对目标工业生产系统的测量数据，并将同一工况下不同时刻的测量数据列入一个矩阵，将每个矩阵作为一个初始样本集合；
S2、对正常工况下的初始样本集合进行标准化，得到标准化后的正常工况下样本集合；
S3、基于标准化后的正常工况下样本集合构建ICA模型；
S4、获取所要构建SVM模型的数量，对于每个SVM模型，从每个初始样本集合中随机抽取样本组成每种工况的样本子集，并对每个样本子集进行标准化，得到与每个SVM模型相对应的训练子集；
S5、基于每个训练子集构建对应的SVM模型；
S6、获取当前测量设备对目标工业生产系统的测量数据并将其进行标准化后作为检测样本；
S7、将检测样本分别作为所有ICA模型和SVM模型的输入，对应得到每个ICA模型的输出和SVM模型的输出；
S8、将检测样本对应的所有ICA模型的输出和SVM模型的输出通过贝叶斯推理集成计算其集成概率值；
S9、判断集成概率值是否大于等于阈值，若是则判定该检测样本为故障，否则判定该检测样本为正常，完成故障检测。


2.根据权利要求1所述的基于ICA与SVM集成学习的故障检测方法，其特征在于，所述步骤S1的具体方法为：
采用K个测量设备同时获取目标工业生产系统在C种工况下的测量数据，将同一时刻K个测量设备对应的测量数据作为一个样本，将同一工况下不同时刻的测量数据列入一个矩阵，将每个矩阵作为一个初始样本集合，得到C个初始样本集合；即每个初始样本集合中的每个样本均具有K个元素。


3.根据权利要求1所述的基于ICA与SVM集成学习的故障检测方法，其特征在于，所述步骤S2的具体方法为：
对于正常工况下的初始样本集合X0＝[x0(1),x0(2),...,x0(r),...,x0(n0)]，根据公式：



获取第r个样本中第lx个元素标准化后的值进而得到所有元素标准化后的值，完成正常工况下的初始样本集合的标准化，得到标准化后的正常工况下样本集合；其中x0(r)(lx)为第r个样本中第lx个元素的值；mean(X0(lx))为正常工况下的初始样本集合中每个样本中第lx个元素的均值；std(X0(lx))为正常工况下的初始样本集合中每个样本中第lx个元素的标准差；n0为正常工况下的初始样本集合中样本的总个数。


4.根据权利要求1所述的基于ICA与SVM集成学习的故障检测方法，其特征在于，所述步骤S3的具体方法包括以下子步骤：
S3-1、对标准化后的正常工况下样本集合进行白化处理，得到白化变换矩阵QPAC，并根据公式：



得到白化矩阵Z；
S3-2、构建QICA个ICA模型，对于第i个ICA模型，根据公式：
Si＝BiZ
通过设定不同的随机数种子，并采用FastICA算法求取第i个ICA模型的第一解混矩阵Bi与独立向量矩阵Si，进而得到每个ICA模型的第一解混矩阵与独立向量矩阵；
S3-3、根据公式：



获取第i个ICA模型的第二解混矩阵Wi，进而得到每个ICA模型的第二解混矩阵；其中(·)T表示矩阵的转置；
S3-4、将第i个ICA模型的第二解混矩阵的行向量按照向量范数从大到小的顺序依次选取d个行向量组成第i个ICA模型的组合矩阵Wd,i，进而得到每个ICA模型的组合矩阵；
S3-5、根据公式：



获取标准化后的正常工况下样本集合中第r个样本基于第i个ICA模型的统计量值进而得到标准化后的正常工况下样本集合中所有样本基于第i个ICA模型的统计量组合并得到准化后的正常工况下样本集合中所有样本基于每个ICA模型的统计量组合；其中n0为正常工况下的初始样本集合中样本的总个数；
S3-6、采用核密度估计法KDE获取第i个ICA模型的统计量组合的概率密度并根据公式：






获取第i个ICA模型对应的求解区间[starti,endi]，进而得到所有ICA模型统计量组合的概率密度函数和求解区间；其中min(·)表示取最小值，max(·)表示取最大值；
S3-7、将第i个ICA模型对应的求解区间[starti,endi]等距分割为numi个子区间，并根据公式：



获取第i个ICA模型对应的子区间累计的个数ki，进而得到每个ICA模型对应的子区间累计个数；其中Δi为第i个ICA模型对应的子区间宽度；表示第i个ICA模型的统计量组合在starti+ξΔi处的概率密度；α为控制限的置信度；ξ为常数；
S3-8、根据公式：
UCLi＝starti+kiΔi
获取第i个ICA模型的控制限UCLi，进而得到每个ICA模型的控制限；
S3-9、对于任一个ICA模型，将输入样本的统计量值与控制限的比值作为其输出，完成ICA模型的构建。


5.根据权利要求1所述的基于ICA与SVM集成学习的故障检测方法，其特征在于，所述步骤S4的具体方法包括以下子步骤：
S4-1、获取所要构建...

【专利技术属性】
技术研发人员：凡时财，邹见效，张季阳，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51